論文の概要: Deep End-to-end Causal Inference
- arxiv url: http://arxiv.org/abs/2202.02195v1
- Date: Fri, 4 Feb 2022 15:40:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 14:33:37.017055
- Title: Deep End-to-end Causal Inference
- Title(参考訳): エンド・ツー・エンド因果推論
- Authors: Tomas Geffner, Javier Antoran, Adam Foster, Wenbo Gong, Chao Ma, Emre
Kiciman, Amit Sharma, Angus Lamb, Martin Kukla, Nick Pawlowski, Miltiadis
Allamanis, Cheng Zhang
- Abstract要約: 因果推論は、ビジネスエンゲージメント、医療治療、ポリシー作成といった分野にわたるデータ駆動意思決定に不可欠である。
我々は、観測データを取り込む単一のフローベース手法であるDeep End-to-end Causal Inference (DECI)を開発し、因果発見と推論の両方を行う。
以上の結果から,因果発見と(C)ATE推定の両方の基準値と比較すると,DECの優れた性能を示した。
- 参考スコア(独自算出の注目度): 36.822180456180675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal inference is essential for data-driven decision making across domains
such as business engagement, medical treatment or policy making. However,
research on causal discovery and inference has evolved separately, and the
combination of the two domains is not trivial. In this work, we develop Deep
End-to-end Causal Inference (DECI), a single flow-based method that takes in
observational data and can perform both causal discovery and inference,
including conditional average treatment effect (CATE) estimation. We provide a
theoretical guarantee that DECI can recover the ground truth causal graph under
mild assumptions. In addition, our method can handle heterogeneous, real-world,
mixed-type data with missing values, allowing for both continuous and discrete
treatment decisions. Moreover, the design principle of our method can
generalize beyond DECI, providing a general End-to-end Causal Inference (ECI)
recipe, which enables different ECI frameworks to be built using existing
methods. Our results show the superior performance of DECI when compared to
relevant baselines for both causal discovery and (C)ATE estimation in over a
thousand experiments on both synthetic datasets and other causal machine
learning benchmark datasets.
- Abstract(参考訳): 因果推論は、ビジネスエンゲージメント、医療、ポリシー作成などのドメイン間でのデータ駆動意思決定に不可欠である。
しかし、因果発見と推論の研究は別々に進化しており、2つの領域の組み合わせは自明ではない。
本研究では,観測データを取り込む単一フローベース手法であるDeep End-to-end Causal Inference (DECI)を開発し,条件平均処理効果(CATE)推定を含む因果探索と推論の両方を行う。
軽微な仮定の下で,DeCIが基底真理因果グラフを復元できることを理論的に保証する。
さらに,不均質な実世界の混合型データを欠落値で処理でき,連続的および離散的な処理決定が可能となった。
さらに,本手法の設計原理はDECを超越して一般化可能であり,既存の手法を用いて異なるECIフレームワークを構築できる汎用的なエンドツーエンド因果推論(ECI)レシピを提供する。
本研究は,合成データセットおよび他の因果機械学習ベンチマークデータセットにおける1000以上の実験において,因果発見および(c)ate推定の関連ベースラインと比較して,deciの優れた性能を示す。
関連論文リスト
- Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
任意の因果モデルと異種データに対応する新しいFCD法を提案する。
これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。
提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2024-02-20T18:53:53Z) - From Causal Pairs to Causal Graphs [1.5469452301122175]
観測データから学習する因果構造は、非自明な課題である。
NIPS 2013 Workshop on Causality Challengeにより、我々は異なるアプローチを採り、可能な全てのグラフに確率分布を生成する。
本研究の目的は,この確率的情報に基づく新しい手法を提案し,その性能を従来の手法や最先端の手法と比較することである。
論文 参考訳(メタデータ) (2022-11-08T15:28:55Z) - CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data [61.088705993848606]
本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。
CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
論文 参考訳(メタデータ) (2022-10-31T13:04:07Z) - Distributionally Robust Causal Inference with Observational Data [4.8986598953553555]
非確立性の標準的な仮定を伴わない観察研究における平均治療効果の推定を考察する。
本稿では,無観測の共同設立者が存在する可能性を考慮した,一般的な観察研究環境下での堅牢な因果推論の枠組みを提案する。
論文 参考訳(メタデータ) (2022-10-15T16:02:33Z) - Valid Inference after Causal Discovery [95.20382312836541]
我々は、因果関係発見後の推論に有効なツールを開発する。
因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
論文 参考訳(メタデータ) (2022-08-11T17:40:45Z) - The interventional Bayesian Gaussian equivalent score for Bayesian
causal inference with unknown soft interventions [0.0]
ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。
観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
論文 参考訳(メタデータ) (2022-05-05T12:32:08Z) - Evaluating Causal Inference Methods [0.4588028371034407]
我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。
我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
論文 参考訳(メタデータ) (2022-02-09T00:21:22Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳(メタデータ) (2021-06-07T17:47:16Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳(メタデータ) (2020-02-05T21:35:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。